Co oznacza Kowariancja reszt w SEM?
Zastosowanie, warunki i dobre praktyki
Kowariancja reszt pozwala dwóm wskaźnikom współdzielić wariancję niewyjaśnioną przez czynnik, np. z powodu podobnego sformułowania lub metody. Dodanie jej zmienia model pomiarowy i może wpływać na ładunki oraz zależności strukturalne. Powinna wynikać z uzasadnienia znanego przed analizą albo zostać oznaczona jako eksploracyjna i zweryfikowana.
Najważniejsze zastosowanie: Dodawaj tylko z uprzednim lub mocnym treściowym uzasadnieniem. Oceniaj wielkość, stabilność i wpływ na pozostałe parametry; w miarę możliwości replikuj w nowej próbie.
Jak to się oblicza i co oznaczają symbole?
εi i εj są częściami dwóch wskaźników, których nie wyjaśniają czynniki uwzględnione w modelu, a θij jest ich swobodnie estymowaną kowariancją. Parametr oznacza więc systematyczną współzmienność pozostałą po uwzględnieniu konstruktu. Nie należy mylić go z resztą macierzy kowariancji sij − σ̂ij, która jest rozbieżnością między kowariancją obserwowaną i implikowaną przez model, a nie parametrem zależnych błędów.
Jak poprawnie stosować i interpretować hasło „Kowariancja reszt w SEM”?
W analizie dotyczącej hasła „Kowariancja reszt w SEM” diagnostyka lokalna SEM pokazuje, gdzie model nie odtwarza obserwowanych zależności. Dla interpretacji hasła „Kowariancja reszt w SEM” standaryzowane reszty wskazują konkretne pary zmiennych z niedopasowaniem, a indeks modyfikacji przybliża spadek χ² po uwolnieniu jednego parametru. W odniesieniu do hasła „Kowariancja reszt w SEM” sugerowana korelacja reszt wymaga treściowego mechanizmu, takiego jak wspólna metoda lub podobne sformułowanie pozycji; sama duża liczba nie jest uzasadnieniem.
W odniesieniu do hasła „Kowariancja reszt w SEM” należy oglądać cały wzorzec reszt i parametry, nie tylko największy indeks. Przy ocenie hasła „Kowariancja reszt w SEM” wielokrotne modyfikacje wybrane z tej samej próby kapitalizują przypadek, dlatego poprawiony model wymaga walidacji. W analizie dotyczącej hasła „Kowariancja reszt w SEM” trzeba również sprawdzić, czy lokalny problem nie wynika z pominiętego czynnika, złej skali wskaźnika albo niewłaściwego estymatora.
Co trzeba opisać w raporcie?
W analizie dotyczącej hasła „Kowariancja reszt w SEM” raport powinien podać kryterium inspekcji, największe istotne reszty lub indeksy oraz każdą wprowadzoną zmianę wraz z uzasadnieniem teoretycznym. Dla interpretacji hasła „Kowariancja reszt w SEM” należy odróżnić model planowany od zmodyfikowanego i przedstawić wyniki obu, a poprawę dopasowania opisać jako eksploracyjną.
Zakres raportowania dla hasła „Kowariancja reszt w SEM”: Raportuj parę wskaźników, oszacowanie z CI, uzasadnienie i moment decyzji. Pokaż dopasowanie modelu przed i po modyfikacji.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Dwie pozycje zaczynające się od identycznego zdania mogą mieć zależne błędy. Korelacja reszt może być dopuszczalna, jeśli nie służy ukrywaniu drugiego czynnika.
Jak ją zinterpretować: Wspólna reszta oznacza zależność wskaźników niewyjaśnioną przez czynnik, np. podobną treść lub metodę. Dodanie parametru zmienia model pomiarowy, więc powinno być uzasadnione i nie może służyć wyłącznie poprawie fitu.
Najczęstsza pułapka i granica interpretacji
Korelacje reszt wybrane wyłącznie po MI dopasowują szum. Wiele takich parametrów utrudnia interpretację i transport modelu.
W odniesieniu do hasła „Kowariancja reszt w SEM” małe reszty po wielu modyfikacjach nie potwierdzają teorii. Przy ocenie hasła „Kowariancja reszt w SEM” korelowanie błędów może zmienić znaczenie konstruktu i ukryć systematyczny problem pomiaru, dlatego rozwiązanie dopasowane do jednej próby nie powinno być traktowane jako ostateczne.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Hu i Bentler, 1999).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować
Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.
Czytaj →PoradnikRegresja logistyczna: założenia, interpretacja i raportowanie modelu
Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.
Czytaj →PoradnikModelowanie równań strukturalnych (SEM): od teorii do raportu
SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
- Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238–246. https://doi.org/10.1037/0033-2909.107.2.238
- Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
- Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
- Iacobucci, D. (2010). Structural equations modeling: Fit indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003
- Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
Cytowania BibTeX
@article{hu1999sem, author={Hu, Li-tze and Bentler, Peter M.}, title={Cutoff criteria for fit indexes in covariance structure analysis}, journal={Structural Equation Modeling}, year={1999}, volume={6}, number={1}, pages={1--55}, doi={10.1080/10705519909540118}}@article{bentler1990cfi, author={Bentler, Peter M.}, title={Comparative fit indexes in structural models}, journal={Psychological Bulletin}, year={1990}, volume={107}, number={2}, pages={238--246}, doi={10.1037/0033-2909.107.2.238}}@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}@article{iacobucci2010sem, author={Iacobucci, Dawn}, title={Structural Equations Modeling: Fit Indices, Sample Size, and Advanced Topics}, journal={Journal of Consumer Psychology}, year={2010}, volume={20}, number={1}, pages={90--98}, doi={10.1016/j.jcps.2009.09.003}}@article{rosseel2012lavaan, author={Rosseel, Yves}, title={lavaan: An R Package for Structural Equation Modeling}, journal={Journal of Statistical Software}, year={2012}, volume={48}, number={2}, pages={1--36}, doi={10.18637/jss.v048.i02}}